PYXIDA Institutional Repository
and Digital Library
Collections :

Title :Bayesian inference in pharmacokinetic/pharmacodynamic models using Monte Carlo methods
Alternative Title :Bayesian inference σε μοντέλα φαρμακοκινητικής/φαρμακοδυναμικής χρησιμοποιώντας μεθόδους Μόντε Κάρλο
Creator :Γεωργάκης, Γεώργιος
Georgakis, Georgios
Contributor :Δεμίρης, Νικόλαος (Επιβλέπων καθηγητής)
Athens University of Economics and Business, Department of Statistics (Degree granting institution)
Type :Text
Extent :38p.
Language :en
Identifier :
Abstract :Η φαρμακοκινητική και η φαρμακοδυναμική (PK-PD) κατέχουν εξέχουσα σημασία στο καθορισμό ενός επίδρασης που θα έχει μια φαρμακευτική αγωγή. Τα μοντέλα Φαρμακοκινητικής χρησιμοποιούνται κυρίως για να προσομοιώσουν τη συγκέντρωση ενός φαρμάκου από τη χρονική στιγμή που αυτό εισήχθη μέχρι τη πλήρη αποβολή του από το σώμα του ασθενούς. Μη γραμμικά μοντέλα χρησιμοποιήθηκαν για να ερευνήσουν τη πορεία ενός συγκέντρωσης του φαρμάκου Cadralazine στη διάρκεια του χρόνου μέσω Μπεϋζιανής προσέγγισης. Τα δεδομένα αποτελούνται από 6 μετρήσεις συγκέντρωσης για δέκα ασθενείς. Αν και το sampling του WinBugs είναι αρκετά γρήγορο, όταν χρειάζεται να γίνει για πιο σύνθετα μοντέλα, τότε ο Gibbs sampler είναι κατώτερος του Hamiltonian Monte Carlo (HM) ο οποίος χρησιμοποιείται από το Stan. Το Rstan είναι ένα πακέτο ενός R και ο αλγόριθμος HM χρησιμοποιήθηκε για να αποκτηθεί η γνώση ενός posterior. Το Stan έχει ενσωματωμένο solver για Συνήθεις Διαφορικές Εξισώσεις το οποίο είναι εξαιρετικά χρήσιμο για PK-PD μοντέλα. Σημαντικοί παράμετροι Φαρμακοκινητικής ενός ο ρυθμός εξάλειψης του φαρμάκου, το Clearence, το Volume of distribution εκτιμήθηκαν χρησιμοποιώντας 6 ιεραρχικά μοντέλα συμπεριλαμβανομένου και ενός random effects μοντέλο διαφορικών εξισώσεων. Το καλύτερο μοντέλο αποφασίστηκε συνδυάζοντας information criteria με τη γραφική απεικόνιση του fit.
Both pharmacokinetics and pharmacodynamics (PK-PD) are important in determining the effect that a drug regimen is likely to produce. Pharmacokinetic models are generally used to simulate the concentration of a drug during the period from the administration till its full elimination from patients body. Nonlinear models have been used in this thesis to relate concentration and the time course of the drug Cadralazine under the Bayesian approach. The data consist of 6 concentration measurements for 10 patients. Although WinBugs sampling is quick, when sampling for complicated models the Gibbs sampler is inferior to Hamiltonian Monte Carlo (HM) which is used in Stan. The package RStan (interface to Stan) can be found in the free source platform R and its HM algorithm was used in order to learn about the posterior distribution. Stan has a built in Ordinary Differential Equation solver which is especially useful for fitting PK-PD models. Important Pharmacokinetic parameters like elimination rate, Clearence and Volume of distribution were estimated using 6 different hierarchical models including random effects differential equation models. The best model was determined by combining information criteria and the graphical representation of the fit.
Subject :Φαρμακοκινητική
Μη γραμμικό μοντέλο
Μπεϋζιανή στατιστική
Διαφορικές εξισώσεις
Pharmacokinetics (PK)
Pharmacodynamics (PD)
Non-linear model
Bayesian statistics
Ordinary Differential Equations (ODE)
Date Available :2020-04-08 15:18:03
Date Issued :08-04-2020
Date Submitted :2020-04-08 15:18:03
Access Rights :Free access
Licence :

File: Georgakis_2020.pdf

Type: application/pdf